Neural networks based noise canceller

Other Title(s)

مزيل الضوضاء باستخدام الشبكات العصبية

Author

Abbas, Haydar Hadi

Source

al-Mansour

Publisher

al-Mansour University College

Publication Date

2010-12-31

Country of Publication

Iraq

No. of Pages

14

Main Subjects

Information Technology and Computer Science

Topics

• Noise
• Environmental engineering
• Acoustic engineering
• Neural networks(Computer science)

Arabic Abstract

يتناول هذا البحث موضوع تصميم مزيل للضوضاء باستخدام الشبكات العصبية.

تم بناء برنامجين مختلفين لنوعين مختلفين من مزيلات الضوضاء و من ثم تم فحص خصائص كلا النوعين و ذلك باستخدام خوارزميات تعلم مختلفة.

في البداية تم استخدام الخوارزمية (descent gradient batch) و لمستويات ضوضاء مختلفة.

إن تأثير زيادة مستوى الضوضاء هو تدني المواصفات (أو زيادة square error mean) لكلا المنظومتين المأخوذتين بنظر الاعتبار.

و باستخدام نفس خوارزمية التعلم تم بحث تأثير الخلايا العصبية للطبقة الخفية.

و تبين انه من الواضح إن زيادة عدد الخلايا العصبية للطبقة الخفية سوف يؤدي إلى تدني المواصفات لكلا المنظومتين أعلاه.

إن خوارزمية التعلم الثانية التي تم استخدامها هي (momentum descent with gradient).

أن تأثير زيادة العزم هو تحسين المواصفات لكلا النوعين من مزيلات الضوضاء المقترحة.

إن خوارزمية التعلم الثالثة التي تم استخدامها هي (rate descent with variable learning gradient) و كما في حالة زيادة العزم نجد إن زيادة معدل التعلم سوف يحسن المواصفات لكلا المنظومتين أعلاه.

تم فحص تأثير العزم مع زيادة معدل التعلم ومن الواضح أن تأثير العزم مع زيادة معدل التعلم سوف يحسن المواصفات.

أن خوارزمية التعلم الأخيرة التي تم استخدامها هي (backpropagation resilient) و تبين إن هذه الخوارزمية أعطت أفضل المواصفات على الإطلاق.

English Abstract

This paper deals with the implementation of noise canceller using neural networks.

Two types of noise canceller has been software implemented.

Then the performance of them has been checked for different training algorithms. At first, batch gradient descent algorithm is used with different noise levels.

The effect of increasing noise levels is to degrade the performance (increasing the mean square error) for the two systems under consideration.

Then for the same training algorithm, the effect of hidden layer neurons is investigated.

It is clear that increasing hidden layer neurons degrades the performance of the two above systems. The second training algorithm which is used is gradient descent with momentum.

The effect of increasing momentum is to improve the performance of the two noise canceller systems. The third training algorithm which is used is gradient descent with variable learning rate.

As in the case of momentum, increasing learning rate improves the performance of the two above systems. Then the effect of momentum with learning rate increase is investigated.

It is clear that the effect of momentum with learning rate increase will improve the performance. The last training algorithm which is used is resilient backpropagation and it gives the best performance at all.

Data Type

Conference Papers

Record ID

BIM-326003

• APA
• MLA
• AMA